编辑 | 萝卜皮
目前，全球每 3.5 个月人工智能的能源成本就会翻一番，这对于人工智能的发展会逐渐成为一个巨大的限制。
这种由伦敦帝国理工学院研究人员领导的团队开发的新方法，使用像大脑中的神经元一样相互作用的微小纳米磁体，来执行人工智能任务。该方法可以降低人工智能的能源成本。
这也是首次证明纳米磁体网络可用于执行类似 AI 的处理。纳米磁体可用于「时间序列预测」任务。
使用「神经网络」的人工智能旨在复制大脑各部分的工作方式，即神经元相互作用以处理和保留信息。许多用于驱动神经网络的数学，最初是由物理学家发明的，用于描述磁体相互作用的方式，但当时直接使用磁体太难了，因为研究人员不知道如何输入数据和输出信息。
相反，在传统的基于硅的计算机上运行的软件可以用来模拟磁体相互作用，进而模拟大脑。现在，该团队已经能够使用磁铁本身来处理和存储数据——省去了软件模拟的中间过程。
该研究以「Reconfigurable training and reservoir computing in an artificial spin-vortex ice via spin-wave fingerprinting」为题，于 2022 年 5 月 5 日发布在《Nature Nanotechnology》。
人工自旋系统
通常，人工自旋系统包括具有单一磁化纹理的纳米磁体：共线宏自旋或手性涡旋。
通过调整纳米阵列尺寸，研究人员实现了宏自旋-涡旋双稳态，并展示了一种四态超材料自旋系统，即「人工自旋-涡旋冰」（ASVI）。ASVI 可以承载具有强冰状顶点相互作用的伊辛状宏自旋和具有低杂散偶极场的弱耦合涡旋。
涡旋和宏自旋表现出截然不同的自旋波谱，具有模拟模式幅度控制和 Δf = 3.8 GHz 的模式频移。增强的双纹理微状态空间产生了紧急的物理记忆现象，当通过全局磁场循环驱动时，具有棘轮状的涡流注入和历史相关的非线性衰落记忆。
研究人员采用自旋波微状态指纹来快速、可扩展地读取涡旋和宏自旋种群，并利用它进行自旋波储层计算。除了混沌时间序列预测之外，ASVI 还执行各种输入和目标信号的非线性映射转换。
纳米磁态
纳米磁铁可以有不同的「状态」，这取决于它们的方向。将磁场应用于纳米磁体网络会根据输入场的特性以及周围磁体的状态来改变磁体的状态。
由帝国物理系研究人员领导的团队随后能够设计一种技术，一旦磁场通过，就可以计算每个州的磁铁数量，并给出「答案」。
这项研究的第一作者 Jack C. Gartside 说：「长期以来，我们一直试图解决如何输入数据、提出问题和从磁计算中获得答案的问题。现在我们已经证明了这是可以做到的，这为摆脱进行高能耗模拟的计算机软件铺平了道路。」
共一作者 Kilian Stenning 补充说：「磁铁如何相互作用为我们提供了我们需要的所有信息；物理定律本身就变成了计算机。」
团队负责人 Will Branford 说：「实现受 Sherrington 和 Kirkpatrick 软件算法启发的计算机硬件是一个长期目标。在传统磁体中使用原子上的自旋是不可能的，但通过将自旋放大成纳米图案阵列，我们已经能够实现必要的控制和读出。」
削减能源成本
人工智能现在被用于各种环境，从语音识别到自动驾驶汽车。但训练 AI 完成即使是相对简单的任务也会耗费大量精力。例如，训练人工智能解决魔方所需的能量相当于两个核电站运行一个小时。
在传统的硅芯片计算机中，用于实现这一目标的大部分能量都浪费在了处理和内存存储过程中低效的电子传输中。然而，纳米磁体不依赖于电子等粒子的物理传输，而是以「磁振子」波的形式处理和传输信息，其中每个磁体都会影响相邻磁体的状态。
这意味着更少的能量损失，并且信息的处理和存储可以一起完成，而不是像传统计算机那样是单独的过程。这项创新可以使纳米磁计算的效率比传统计算高出 100,000 倍。
边缘的人工智能
该团队接下来将使用真实世界的数据（例如心电图信号）来训练该系统，并希望将其变成真正的计算设备。最终，磁性系统可以集成到传统计算机中，以提高密集处理任务的能源效率。
它们的能源效率还意味着它们可以由可再生能源提供动力，并用于执行「边缘人工智能」——在收集数据的地方处理数据，例如南极洲的气象站，而不是将其发送回大型数据中心 。
这也意味着它们可以用于可穿戴设备来处理身体的生物特征数据，例如预测和调节糖尿病患者的胰岛素水平、检测异常心跳。
